Buchumschlag

3DCoMPaT200: Language-Grounded Compositional Understanding of Parts and Materials of 3D Shapes

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Ahmed, Mahmoud, Li, Xiang, Prajapati, Arpit, Elhoseiny, Mohamed
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Computer Vision and Pattern Recognition Computation and Language
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

3DCoMPaT$^{++}$: An improved Large-scale 3D Vision Dataset for Compositional Recognition
von: Slim, Habib, et al.
Veröffentlicht: (2023)

Kestrel: 3D Multimodal LLM for Part-Aware Grounded Description
von: Ahmed, Mahmoud, et al.
Veröffentlicht: (2024)

CoT3DRef: Chain-of-Thoughts Data-Efficient 3D Visual Grounding
von: Abdelrahman, Eslam, et al.
Veröffentlicht: (2023)

VRSBench: A Versatile Vision-Language Benchmark Dataset for Remote Sensing Image Understanding
von: Li, Xiang, et al.
Veröffentlicht: (2024)

ReceiptSense: Beyond Traditional OCR -- A Dataset for Receipt Understanding
von: Abdallah, Abdelrahman, et al.
Veröffentlicht: (2024)

A Study of the Framework and Real-World Applications of Language Embedding for 3D Scene Understanding
von: Zaouali, Mahmoud Chick, et al.
Veröffentlicht: (2025)

Weakly-Supervised 3D Visual Grounding based on Visual Language Alignment
von: Xu, Xiaoxu, et al.
Veröffentlicht: (2023)

MiniGPT-Med: Large Language Model as a General Interface for Radiology Diagnosis
von: Alkhaldi, Asma, et al.
Veröffentlicht: (2024)

StoryGPT-V: Large Language Models as Consistent Story Visualizers
von: Shen, Xiaoqian, et al.
Veröffentlicht: (2023)

Adaptive Markup Language Generation for Contextually-Grounded Visual Document Understanding
von: Xiao, Han, et al.
Veröffentlicht: (2025)

Inference-Time Structural Reasoning for Compositional Vision-Language Understanding
von: Bhattacharya, Amartya
Veröffentlicht: (2026)

VoxRep: Enhancing 3D Spatial Understanding in 2D Vision-Language Models via Voxel Representation
von: Dao, Alan, et al.
Veröffentlicht: (2025)

Video-3D LLM: Learning Position-Aware Video Representation for 3D Scene Understanding
von: Zheng, Duo, et al.
Veröffentlicht: (2024)

Error-Driven Scene Editing for 3D Grounding in Large Language Models
von: Zhang, Yue, et al.
Veröffentlicht: (2025)

Four Ways to Improve Verbo-visual Fusion for Dense 3D Visual Grounding
von: Unal, Ozan, et al.
Veröffentlicht: (2023)

Plug-and-Play Grounding of Reasoning in Multimodal Large Language Models
von: Chen, Jiaxing, et al.
Veröffentlicht: (2024)

SceneVerse: Scaling 3D Vision-Language Learning for Grounded Scene Understanding
von: Jia, Baoxiong, et al.
Veröffentlicht: (2024)

Vgent: Graph-based Retrieval-Reasoning-Augmented Generation For Long Video Understanding
von: Shen, Xiaoqian, et al.
Veröffentlicht: (2025)

Masked Point-Entity Contrast for Open-Vocabulary 3D Scene Understanding
von: Wang, Yan, et al.
Veröffentlicht: (2025)

Transcrib3D: 3D Referring Expression Resolution through Large Language Models
von: Fang, Jiading, et al.
Veröffentlicht: (2024)

Evaluating Vision-Language Models as Evaluators in Path Planning
von: Aghzal, Mohamed, et al.
Veröffentlicht: (2024)

DocAtlas: Multilingual Document Understanding Across 80+ Languages
von: Heakl, Ahmed, et al.
Veröffentlicht: (2026)

GroundingGPT:Language Enhanced Multi-modal Grounding Model
von: Li, Zhaowei, et al.
Veröffentlicht: (2024)

PartDistill: 3D Shape Part Segmentation by Vision-Language Model Distillation
von: Umam, Ardian, et al.
Veröffentlicht: (2023)

Language-Image Models with 3D Understanding
von: Cho, Jang Hyun, et al.
Veröffentlicht: (2024)

GEM: Empowering MLLM for Grounded ECG Understanding with Time Series and Images
von: Lan, Xiang, et al.
Veröffentlicht: (2025)

InfiniBench: A Benchmark for Large Multi-Modal Models in Long-Form Movies and TV Shows
von: Ataallah, Kirolos, et al.
Veröffentlicht: (2024)

ViGiL3D: A Linguistically Diverse Dataset for 3D Visual Grounding
von: Wang, Austin T., et al.
Veröffentlicht: (2025)

VLM-3R: Vision-Language Models Augmented with Instruction-Aligned 3D Reconstruction
von: Fan, Zhiwen, et al.
Veröffentlicht: (2025)

Benchmarking and Improving Large Vision-Language Models for Fundamental Visual Graph Understanding and Reasoning
von: Zhu, Yingjie, et al.
Veröffentlicht: (2024)

Zero-Shot Scene Understanding with Multimodal Large Language Models for Automated Vehicles
von: Elhenawy, Mohammed, et al.
Veröffentlicht: (2025)

G$^2$VLM: Geometry Grounded Vision Language Model with Unified 3D Reconstruction and Spatial Reasoning
von: Hu, Wenbo, et al.
Veröffentlicht: (2025)

More Text, Less Point: Towards 3D Data-Efficient Point-Language Understanding
von: Tang, Yuan, et al.
Veröffentlicht: (2024)

Grounding Language Models for Visual Entity Recognition
von: Xiao, Zilin, et al.
Veröffentlicht: (2024)

The Mechanistic Emergence of Symbol Grounding in Language Models
von: Wu, Shuyu, et al.
Veröffentlicht: (2025)

Mask the Target: A Plug-and-Play Regularizer Against LoRA Forgetting
von: Xu, Runze, et al.
Veröffentlicht: (2026)

MUSEG: Reinforcing Video Temporal Understanding via Timestamp-Aware Multi-Segment Grounding
von: Luo, Fuwen, et al.
Veröffentlicht: (2025)

ScanReason: Empowering 3D Visual Grounding with Reasoning Capabilities
von: Zhu, Chenming, et al.
Veröffentlicht: (2024)

CT-GLIP: 3D Grounded Language-Image Pretraining with CT Scans and Radiology Reports for Full-Body Scenarios
von: Lin, Jingyang, et al.
Veröffentlicht: (2024)

The ART of Composition: Attention-Regularized Training for Compositional Visual Grounding
von: Luo, Jiayun, et al.
Veröffentlicht: (2024)